From 215444ac4d1c5486d6ba8d7c6bd7a3974fb43757 Mon Sep 17 00:00:00 2001 From: ls Date: Tue, 3 Dec 2024 00:02:44 +0800 Subject: [PATCH] scripts --- scripts/common.py | 31 +++-- scripts/esa.py | 338 ++++++++++++++++++++++++---------------------- scripts/nasa1.py | 7 +- scripts/nasa2.py | 7 +- 4 files changed, 203 insertions(+), 180 deletions(-) diff --git a/scripts/common.py b/scripts/common.py index 2782486..0b80a11 100644 --- a/scripts/common.py +++ b/scripts/common.py @@ -7,13 +7,13 @@ import mysql.connector from minio import Minio from minio.error import S3Error -minio_public_url = 'http://58.215.212.230:8005/oss/' +minio_public_url = '/oss/' # MySQL 连接配置 db_config = { - # 'host': 'physical-mysql', - # 'port': 3306, - 'host': '192.168.50.100', - 'port': 23306, + 'host': '127.0.0.1', + 'port': 3306, + # 'host': '192.168.50.100', + # 'port': 23306, 'user': 'root', 'password': '123456', 'database': 'physical-boot' @@ -21,8 +21,8 @@ db_config = { # minio 配置 minio_client = Minio( - # "physical-minio:9000", # MinIO服务器地址或IP - "192.168.50.100:29000", # MinIO服务器地址或IP + "127.0.0.1:9000", # MinIO服务器地址或IP + # "192.168.50.100:29000", # MinIO服务器地址或IP access_key="root", # 替换为你的Access Key secret_key="12345678", # 替换为你的Secret Key secure=False # 如果使用的是http则为False @@ -38,7 +38,18 @@ def get_md5(input_string): # 返回MD5值的十六进制字符串 return md5_obj.hexdigest() - +def fetch_db_import_record(connection,data): + cursor = connection.cursor() + try: + """保存数据到 MySQL 数据库""" + insert_query = """select count(1) from `nasa_data_record` where `id`= %s;""" + cursor.execute(insert_query, data) + result = cursor.fetchone() + return result[0] + except Exception as e: + print(e) + finally: + cursor.close() def save_to_db_import_record(connection,data): cursor = connection.cursor() try: @@ -81,10 +92,10 @@ def upload_to_minio(connection,folder_path,type): object_name = f"{type}/{folder_name}/{file_name}" try: # 上传文件到 MinIO - url=minio_client.fput_object(bucket_name, object_name, file_path) + # url=minio_client.fput_object(bucket_name, object_name, file_path) print(f"已上传: {file_path} -> {bucket_name}/{object_name}") # file_id = get_md5(object_name) - file_ids.append({file_name:os.path.join(minio_public_url,bucket_name,url.object_name)}) + file_ids.append({file_name:os.path.join(minio_public_url,bucket_name,object_name)}) # db_file = [file_id, file_name, # minio_public_url + bucket_name + '/' + object_name, 'admin', datetime.now()] # save_to_db_oss_file(connection,db_file) diff --git a/scripts/esa.py b/scripts/esa.py index 1445f1f..171b9a1 100644 --- a/scripts/esa.py +++ b/scripts/esa.py @@ -7,10 +7,10 @@ import mysql.connector import requests from bs4 import BeautifulSoup -from common import upload_to_minio, save_to_db_import_record, db_config +from common import upload_to_minio, save_to_db_import_record, db_config, get_md5, fetch_db_import_record # 设置下载目录 -download_dir = 'downloaded_files' +download_dir = 'downloaded_files/ESA' os.makedirs(download_dir, exist_ok=True) # 获取网页内容 @@ -31,180 +31,188 @@ def scrape(): tables = soup.find_all('table') # 提取第一个表格的内容 - for row in tables[0].find_all('tr')[2:]: # 跳过标题行 + tab_content = tables[0].find_all('tr')[2:] + tab_content.reverse() + for row in tab_content: # 跳过标题行 cells = row.find_all(['td', 'th']) - if len(cells) >= 6: # 确保有至少六列 - folder_name = cells[1].get_text(strip=True) # 第2列 - file_id = cells[0].get_text(strip=True) # 第1列 - download_url = f'https://esarad.esa.int/?id={file_id}&handler=DownloadDb' + table_id = get_md5('ESA-' + cells[0].get_text(strip=True)) + # count = fetch_db_import_record(esa_connection, (table_id,)) + # if count > 0: + # continue + folder_name = table_id # cells[1].get_text(strip=True) # 第2列 + file_id = cells[0].get_text(strip=True) # 第1列 + download_url = f'https://esarad.esa.int/?id={file_id}&handler=DownloadDb' - # 创建文件夹 - folder_path = os.path.join(download_dir, folder_name) - os.makedirs(folder_path, exist_ok=True) + # 创建文件夹 + folder_path = os.path.join(download_dir, folder_name) + os.makedirs(folder_path, exist_ok=True) - # 下载文件并获取文件名 - file_response = requests.get(download_url) - if file_response and file_response.status_code == 200: - # 从响应头获取文件名 - content_disposition = file_response.headers.get('Content-Disposition') - filename = '' - if content_disposition: - match = re.search(r'filename="([^"]+)"', content_disposition) - if match: - filename = match.group(1) + # 下载文件并获取文件名 + file_response = requests.get(download_url) + if file_response and file_response.status_code == 200: + # 从响应头获取文件名 + content_disposition = file_response.headers.get('Content-Disposition') + filename = '' + if content_disposition: + match = re.search(r'filename="([^"]+)"', content_disposition) + if match: + filename = match.group(1) - if not filename: # 如果没有找到，则使用默认文件名 - filename = f'{file_id}.pdf' + if not filename: # 如果没有找到，则使用默认文件名 + filename = f'{file_id}.pdf' - file_path = os.path.join(folder_path, filename) + file_path = os.path.join(folder_path, filename) + if not os.path.exists(file_path): with open(file_path, 'wb') as f: f.write(file_response.content) print(f'ESA Downloaded: {file_path}') - - # 创建 CSV 文件 - csv_file_path = os.path.join(folder_path, 'data.csv') - with open(csv_file_path, 'w', newline='', encoding='utf-8') as csvfile: - writer = csv.writer(csvfile) - # 写入标题行 - writer.writerow([ - '序号', '试验对象类型', '试验开始日期', '试验结束日期', '试验对象名称', - '试验对象型号', '试验对象数量', '试验性质', '试验目的', '装置名称', - '数据提供单位', '试验委托单位', '失效判据', '失效数量', '试验结果描述', - '成果', '来源项目名称', '来源项目类型', '分类', '元器件名称', - '元器件型号', '元器件批号', '生产单位', '是否国产', '元器件成熟度', - '晶圆材料', '晶圆批号', '封装材料', '封装技术', '是否倒装', - '制造工艺', '工艺特征尺寸', '工艺平台', '工艺代号', '工艺版本', - '质量等级', '加固措施', '工作原理', '供货能力', '应用经历', - '规范手册', '器件图片', '电子系统分类', '电子系统名称', '电子系统型号', - '生产单位', '电子系统功能', '电子系统加固措施', '电子系统图片', '材料名称', - '材料型号', '材料组分', '材料用途', '材料生产单位', '材料物理结构', - '材料使用经历', '辐照试验大纲', '大纲审核专家类别', '辐照试验所依据的标准规范', - '试验步骤（过程）描述', '辐照过程是否加电', '直流偏置条件描述', '交流偏置条件描述', - '时钟频率', '测试图形', '其他偏置条件', '辐照偏置原理图', '测试方式', - '测试原理图', '试验用仪器名称', '试验用仪器型号', '试验用仪器生产厂家', - '试验用仪器检定证书', '试验用软件名称', '试验用软件开发单位', - '试验用软件版本号', '试验现场照片', '测试人员姓名', '测试人员单位', - '测试人员电话', '装置运行人员', '第三方人员', '第三方人员单位', - '第三方人员电话', '其他需要说明的事项', '是否采用铅铝屏蔽', '剂量率', - '总剂量', '剂量等效材料', '试验对象编号', '测试参数名称', - '测试参数单位', '测试参数结果', '是否为加速试验后数据', '是否为退火数据', - '退火温度', '退火时间', '原始数据', '数据处理方法', '其他需要说明的事项' - ]) - - # 写入数据行并保存到数据库 - data_row = [ - file_id, # 序号 - '', # 试验对象类型（可以根据需要填充） - cells[11].get_text(strip=True), # 试验开始日期（第12列） - '', # 试验结束日期（可以根据需要填充） - '', # 试验对象名称（可以根据需要填充） - cells[1].get_text(strip=True), # 试验对象型号（第2列） - '', # 试验对象数量（可以根据需要填充） - cells[5].get_text(strip=True), # 试验性质（第6列） - '', # 试验目的（可以根据需要填充） - '', # 装置名称（可以根据需要填充） - '', # 数据提供单位（可以根据需要填充） - '', # 试验委托单位（可以根据需要填充） - '', # 失效判据（可以根据需要填充） - '', # 失效数量（可以根据需要填充） - '', # 试验结果描述（可以根据需要填充） - '', # 成果（可以根据需要填充） - '', # 来源项目名称（可以根据需要填充） - '', # 来源项目类型（可以根据需要填充） - '', # 分类（可以根据需要填充） - '', # 元器件名称（可以根据需要填充） - '', # 元器件型号（可以根据需要填充） - '', # 元器件批号（可以根据需要填充） - cells[3].get_text(strip=True), # 生产单位（第4列） - '', # 是否国产（可以根据需要填充） - '', # 元器件成熟度（可以根据需要填充） - '', # 晶圆材料（可以根据需要填充） - '', # 晶圆批号（可以根据需要填充） - '', # 封装材料（可以根据需要填充） - '', # 封装技术（可以根据需要填充） - '', # 是否倒装（可以根据需要填充） - '', # 制造工艺（可以根据需要填充） - '', # 工艺特征尺寸（可以根据需要填充） - '', # 工艺平台（可以根据需要填充） - '', # 工艺代号（可以根据需要填充） - '', # 工艺版本（可以根据需要填充） - '', # 质量等级（可以根据需要填充） - '', # 加固措施（可以根据需要填充） - '', # 工作原理（可以根据需要填充） - '', # 供货能力（可以根据需要填充） - '', # 应用经历（可以根据需要填充） - '', # 规范手册（可以根据需要填充） - '', # 器件图片（可以根据需要填充） - '', # 电子系统分类（可以根据需要填充） - '', # 电子系统名称（可以根据需要填充） - '', # 电子系统型号（可以根据需要填充） - '', # 生产单位（可以根据需要填充） - '', # 电子系统功能（可以根据需要填充） - '', # 电子系统加固措施（可以根据需要填充） - '', # 电子系统图片（可以根据需要填充） - '', # 材料名称（可以根据需要填充） - '', # 材料型号（可以根据需要填充） - '', # 材料组分（可以根据需要填充） - '', # 材料用途（可以根据需要填充） - '', # 材料生产单位（可以根据需要填充） - '', # 材料物理结构（可以根据需要填充） - '', # 材料使用经历（可以根据需要填充） - '', # 辐照试验大纲（可以根据需要填充） - '', # 大纲审核专家类别（可以根据需要填充） - '', # 辐照试验所依据的标准规范（可以根据需要填充） - '', # 试验步骤（过程）描述（可以根据需要填充） - '', # 辐照过程是否加电（可以根据需要填充） - '', # 直流偏置条件描述（可以根据需要填充） - '', # 交流偏置条件描述（可以根据需要填充） - '', # 时钟频率（可以根据需要填充） - '', # 测试图形（可以根据需要填充） - '', # 其他偏置条件（可以根据需要填充） - '', # 辐照偏置原理图（可以根据需要填充） - '', # 测试方式（可以根据需要填充） - '', # 测试原理图（可以根据需要填充） - '', # 试验用仪器名称（可以根据需要填充） - '', # 试验用仪器型号（可以根据需要填充） - '', # 试验用仪器生产厂家（可以根据需要填充） - '', # 试验用仪器检定证书（可以根据需要填充） - '', # 试验用软件名称（可以根据需要填充） - '', # 试验用软件开发单位（可以根据需要填充） - '', # 试验用软件版本号（可以根据需要填充） - '', # 试验现场照片（可以根据需要填充） - '', # 测试人员姓名（可以根据需要填充） - '', # 测试人员单位（可以根据需要填充） - '', # 测试人员电话（可以根据需要填充） - '', # 装置运行人员（可以根据需要填充） - '', # 第三方人员（可以根据需要填充） - '', # 第三方人员单位（可以根据需要填充） - '', # 第三方人员电话（可以根据需要填充） - '', # 其他需要说明的事项（可以根据需要填充） - '', # 是否采用铅铝屏蔽（可以根据需要填充） - '', # 剂量率（可以根据需要填充） - '', # 总剂量（可以根据需要填充） - '', # 剂量等效材料（可以根据需要填充） - '', # 试验对象编号（可以根据需要填充） - '', # 测试参数名称（可以根据需要填充） - '', # 测试参数单位（可以根据需要填充） - '', # 测试参数结果（可以根据需要填充） - '', # 是否为加速试验后数据（可以根据需要填充） - '', # 是否为退火数据（可以根据需要填充） - '', # 退火温度（可以根据需要填充） - '', # 退火时间（可以根据需要填充） - '', # 原始数据（可以根据需要填充） - '', # 数据处理方法（可以根据需要填充） - '' # 其他需要说明的事项（可以根据需要填充） - ] - writer.writerow(data_row) - # (`id`, `create_by`, `create_time`, `update_by`, `update_time`, `sys_org_code`, `device_type`, - # `device_name`, `device_mode`, `device_function`, `device_batch`, `manufacturer`, `experiment_date`, `data_source`, `experiment_user`, `total_count`, `file_list`) - - print(f'CSV created and data saved to MySQL: {csv_file_path}') else: - print(f'Failed to download: {download_url}') + print(f'file exist: {file_path}') + + # 创建 CSV 文件 + csv_file_path = os.path.join(folder_path, 'data.csv') + with open(csv_file_path, 'w', newline='', encoding='utf-8') as csvfile: + writer = csv.writer(csvfile) + # 写入标题行 + writer.writerow([ + '序号', '试验对象类型', '试验开始日期', '试验结束日期', '试验对象名称', + '试验对象型号', '试验对象数量', '试验性质', '试验目的', '装置名称', + '数据提供单位', '试验委托单位', '失效判据', '失效数量', '试验结果描述', + '成果', '来源项目名称', '来源项目类型', '分类', '元器件名称', + '元器件型号', '元器件批号', '生产单位', '是否国产', '元器件成熟度', + '晶圆材料', '晶圆批号', '封装材料', '封装技术', '是否倒装', + '制造工艺', '工艺特征尺寸', '工艺平台', '工艺代号', '工艺版本', + '质量等级', '加固措施', '工作原理', '供货能力', '应用经历', + '规范手册', '器件图片', '电子系统分类', '电子系统名称', '电子系统型号', + '生产单位', '电子系统功能', '电子系统加固措施', '电子系统图片', '材料名称', + '材料型号', '材料组分', '材料用途', '材料生产单位', '材料物理结构', + '材料使用经历', '辐照试验大纲', '大纲审核专家类别', '辐照试验所依据的标准规范', + '试验步骤（过程）描述', '辐照过程是否加电', '直流偏置条件描述', '交流偏置条件描述', + '时钟频率', '测试图形', '其他偏置条件', '辐照偏置原理图', '测试方式', + '测试原理图', '试验用仪器名称', '试验用仪器型号', '试验用仪器生产厂家', + '试验用仪器检定证书', '试验用软件名称', '试验用软件开发单位', + '试验用软件版本号', '试验现场照片', '测试人员姓名', '测试人员单位', + '测试人员电话', '装置运行人员', '第三方人员', '第三方人员单位', + '第三方人员电话', '其他需要说明的事项', '是否采用铅铝屏蔽', '剂量率', + '总剂量', '剂量等效材料', '试验对象编号', '测试参数名称', + '测试参数单位', '测试参数结果', '是否为加速试验后数据', '是否为退火数据', + '退火温度', '退火时间', '原始数据', '数据处理方法', '其他需要说明的事项' + ]) + + # 写入数据行并保存到数据库 + data_row = [ + file_id, # 序号 + '', # 试验对象类型（可以根据需要填充） + cells[11].get_text(strip=True), # 试验开始日期（第12列） + '', # 试验结束日期（可以根据需要填充） + '', # 试验对象名称（可以根据需要填充） + cells[1].get_text(strip=True), # 试验对象型号（第2列） + '', # 试验对象数量（可以根据需要填充） + cells[5].get_text(strip=True), # 试验性质（第6列） + '', # 试验目的（可以根据需要填充） + '', # 装置名称（可以根据需要填充） + '', # 数据提供单位（可以根据需要填充） + '', # 试验委托单位（可以根据需要填充） + '', # 失效判据（可以根据需要填充） + '', # 失效数量（可以根据需要填充） + '', # 试验结果描述（可以根据需要填充） + '', # 成果（可以根据需要填充） + '', # 来源项目名称（可以根据需要填充） + '', # 来源项目类型（可以根据需要填充） + '', # 分类（可以根据需要填充） + '', # 元器件名称（可以根据需要填充） + '', # 元器件型号（可以根据需要填充） + '', # 元器件批号（可以根据需要填充） + cells[3].get_text(strip=True), # 生产单位（第4列） + '', # 是否国产（可以根据需要填充） + '', # 元器件成熟度（可以根据需要填充） + '', # 晶圆材料（可以根据需要填充） + '', # 晶圆批号（可以根据需要填充） + '', # 封装材料（可以根据需要填充） + '', # 封装技术（可以根据需要填充） + '', # 是否倒装（可以根据需要填充） + '', # 制造工艺（可以根据需要填充） + '', # 工艺特征尺寸（可以根据需要填充） + '', # 工艺平台（可以根据需要填充） + '', # 工艺代号（可以根据需要填充） + '', # 工艺版本（可以根据需要填充） + '', # 质量等级（可以根据需要填充） + '', # 加固措施（可以根据需要填充） + '', # 工作原理（可以根据需要填充） + '', # 供货能力（可以根据需要填充） + '', # 应用经历（可以根据需要填充） + '', # 规范手册（可以根据需要填充） + '', # 器件图片（可以根据需要填充） + '', # 电子系统分类（可以根据需要填充） + '', # 电子系统名称（可以根据需要填充） + '', # 电子系统型号（可以根据需要填充） + '', # 生产单位（可以根据需要填充） + '', # 电子系统功能（可以根据需要填充） + '', # 电子系统加固措施（可以根据需要填充） + '', # 电子系统图片（可以根据需要填充） + '', # 材料名称（可以根据需要填充） + '', # 材料型号（可以根据需要填充） + '', # 材料组分（可以根据需要填充） + '', # 材料用途（可以根据需要填充） + '', # 材料生产单位（可以根据需要填充） + '', # 材料物理结构（可以根据需要填充） + '', # 材料使用经历（可以根据需要填充） + '', # 辐照试验大纲（可以根据需要填充） + '', # 大纲审核专家类别（可以根据需要填充） + '', # 辐照试验所依据的标准规范（可以根据需要填充） + '', # 试验步骤（过程）描述（可以根据需要填充） + '', # 辐照过程是否加电（可以根据需要填充） + '', # 直流偏置条件描述（可以根据需要填充） + '', # 交流偏置条件描述（可以根据需要填充） + '', # 时钟频率（可以根据需要填充） + '', # 测试图形（可以根据需要填充） + '', # 其他偏置条件（可以根据需要填充） + '', # 辐照偏置原理图（可以根据需要填充） + '', # 测试方式（可以根据需要填充） + '', # 测试原理图（可以根据需要填充） + '', # 试验用仪器名称（可以根据需要填充） + '', # 试验用仪器型号（可以根据需要填充） + '', # 试验用仪器生产厂家（可以根据需要填充） + '', # 试验用仪器检定证书（可以根据需要填充） + '', # 试验用软件名称（可以根据需要填充） + '', # 试验用软件开发单位（可以根据需要填充） + '', # 试验用软件版本号（可以根据需要填充） + '', # 试验现场照片（可以根据需要填充） + '', # 测试人员姓名（可以根据需要填充） + '', # 测试人员单位（可以根据需要填充） + '', # 测试人员电话（可以根据需要填充） + '', # 装置运行人员（可以根据需要填充） + '', # 第三方人员（可以根据需要填充） + '', # 第三方人员单位（可以根据需要填充） + '', # 第三方人员电话（可以根据需要填充） + '', # 其他需要说明的事项（可以根据需要填充） + '', # 是否采用铅铝屏蔽（可以根据需要填充） + '', # 剂量率（可以根据需要填充） + '', # 总剂量（可以根据需要填充） + '', # 剂量等效材料（可以根据需要填充） + '', # 试验对象编号（可以根据需要填充） + '', # 测试参数名称（可以根据需要填充） + '', # 测试参数单位（可以根据需要填充） + '', # 测试参数结果（可以根据需要填充） + '', # 是否为加速试验后数据（可以根据需要填充） + '', # 是否为退火数据（可以根据需要填充） + '', # 退火温度（可以根据需要填充） + '', # 退火时间（可以根据需要填充） + '', # 原始数据（可以根据需要填充） + '', # 数据处理方法（可以根据需要填充） + '' # 其他需要说明的事项（可以根据需要填充） + ] + writer.writerow(data_row) + # (`id`, `create_by`, `create_time`, `update_by`, `update_time`, `sys_org_code`, `device_type`, + # `device_name`, `device_mode`, `device_function`, `device_batch`, `manufacturer`, `experiment_date`, `data_source`, `experiment_user`, `total_count`, `file_list`) + + print(f'CSV created and data saved to MySQL: {csv_file_path}') + else: + print(f'Failed to download: {download_url}') upload_ids = upload_to_minio(esa_connection, folder_path, 'ESA') origin_data = ','.join([c.get_text(strip=True) for c in cells]) - data_db = ['ESA-' + cells[0].get_text(strip=True), 'Crawler', datetime.now(), None, None, None, + data_db = [table_id, 'Crawler', datetime.now(), None, None, None, cells[5].get_text(strip=True), cells[1].get_text(strip=True), cells[1].get_text(strip=True), cells[8].get_text(strip=True), @@ -215,6 +223,8 @@ def scrape(): save_to_db_import_record(esa_connection, data_db) else: print(f'Error: {response.status_code}') + except Exception as e: + print(e) finally: # 关闭游标和连接 esa_connection.close() diff --git a/scripts/nasa1.py b/scripts/nasa1.py index e0b633d..992d6ee 100644 --- a/scripts/nasa1.py +++ b/scripts/nasa1.py @@ -76,7 +76,9 @@ def scrape(): print("total:" + str(json_data['RECORDS'])) for index, row in enumerate(json_data['ROWS']): print("index:"+str(index)) - part_number = row[0] # 部件编号 + table_id= get_md5(''.join([row[0], row[1], row[2]])) + part_number =table_id # row[0] # 部件编号 + file_links_str = row[4] # 文件链接 # 使用正则表达式分隔文件名 @@ -229,8 +231,7 @@ def scrape(): manufacturer=row[2] experiment_date=row[3] origin_data = ','.join(row) - - data_db = [get_md5(''.join([device_name,device_function,manufacturer])), 'Crawler', datetime.now(), None, None, None, + data_db = [table_id, 'Crawler', datetime.now(), None, None, None, device_type, device_name, device_mode, device_function, diff --git a/scripts/nasa2.py b/scripts/nasa2.py index d3a6061..fd3790e 100644 --- a/scripts/nasa2.py +++ b/scripts/nasa2.py @@ -6,7 +6,7 @@ import mysql.connector import requests from lxml import html -from common import db_config, upload_to_minio, save_to_db_import_record +from common import db_config, upload_to_minio, save_to_db_import_record, get_md5 # 定义页面 URL url = 'https://radhome.gsfc.nasa.gov/radhome/papers/TIDPart.html' @@ -55,7 +55,8 @@ def scrape(): columns = row.xpath('.//td') if len(columns) < 8: continue # 跳过不完整的行 - part_number = columns[2].text_content().strip() # 第三列 Part Number + table_id= get_md5('NASA-' + columns[0].text_content().strip()) + part_number =table_id # columns[2].text_content().strip() # 第三列 Part Number file_link_tag = columns[7].xpath('//a') # 第八列的 标签 # 获取文件名和下载链接 @@ -199,7 +200,7 @@ def scrape(): manufacturer = None experiment_date = columns[8].text_content().strip() origin_data = ','.join([c.text_content().strip() for c in columns]) - data_db = ['NASA-' + columns[0].text_content().strip(), 'Crawler', datetime.now(), None, None, None, + data_db = [table_id, 'Crawler', datetime.now(), None, None, None, device_type, device_name, device_mode, device_function,